基于静止态 fMRI BOLD 信号的阿片类毒品使用障碍功能脑网络识别——机器学习分析
神经元与认知
2025-03-12 v3 机器学习
摘要
理解阿片类毒品使用障碍 (OUD) 的神经生物学，通过静息态功能性磁共振成像 (rs-fMRI) 可能有助于 inform 治疗策略以改善患者 outcome。近期文献表明，rs-fMRI 血氧水平依赖信号 (BOLD) 的时频特征可能为传统分析技术提供补充信息。然而，现有 OUD 研究使用测度计算 BOLD 信号，涵盖所有时间点。本研究首次在文献中采用数据驱动的机器学习 (ML) 对局部神经活动的时频分析，以识别关键功能网络中的功能脑网络，从而区分 OUD 病人与健康对照 (HC)。我们从默认模式网络 (DMN)、显著网络 (SN) 和执行控制网络 (ECN) 中获取 rs-fMRI BOLD 信号的时频特征，用于 31 名 OUD 患者和 45 名 HC 患者。随后，我们进行 5 折交叉验证分类 (OUD vs. HC) 实验，以考察功能网络特征的判别力，同时考虑显著的人口学特征。结果显示，DMN 和 SN 的判别力最强，分别以 0.7097 和 0.7018 的平均 F1 分数显著优于随机基线 (p < 0.05)，平均 AUC 分别为 0.8378 和 0.8755。后续的 Boruta ML 分析选中的时频 (小波) 特征揭示，三个功能网络的所有显著细节系数 (p < 0.05)，凸显了在 OUD 研究中运用 ML 和时频分析 rs-fMRI BOLD 信号的必要性。
引用
@article{arxiv.2410.19147,
title = {Functional Brain Network Identification in Opioid Use Disorder Using Machine Learning Analysis of Resting-State fMRI BOLD Signals},
author = {Ahmed Temtam and Megan A. Witherow and Liangsuo Ma and M. Shibly Sadique and F. Gerard Moeller and Khan M. Iftekharuddin},
journal= {arXiv preprint arXiv:2410.19147},
year = {2025}
}
备注
25 pages, 5 figures, 7 tables